AI가 밀리초 단위로 핵융합 시스템을 제어한다

핵융합 연구자들은 태양 중심보다 더 뜨거운 온도에서 물질을 제어하려고 노력하고 있습니다. 이러한 도전은 지연된 결정의 여지를 거의 남기지 않습니다. 플라즈마 불안정성은 밀리초 안에 발생할 수 있지만, 상세한 물리 시뮬레이션은 며칠 또는 몇 달이 걸릴 수 있습니다. 인간 운영자는 목표를 설정할 수 있지만, 핵융합 실험 내부의 모든 변화에 신속히 수동으로 대응할 수 없습니다.

프린스턴 대학교와 프린스턴 플라즈마 물리학 연구소 연구원들의 새로운 연구¹는 그 제어 문제에 대한 실용적인 대응을 설명합니다. 팀은 PACMAN(예측 및 제어를 위한 머신러닝의 약자)을 개발하고 캘리포니아의 DIII-D 토카막에 배치했습니다. 하나의 좁은 AI 작업을 수행하는 대신, PACMAN은 다양한 모델이 진단 데이터를 읽고, 예측을 수행하며, 컨트롤러를 조정하고 물리 장비에 명령을 전달할 수 있는 공통 프레임워크를 제공합니다.

핵융합 연구에는 이미 강력한 머신러닝 모델이 존재합니다. 더 어려운 문제는 각 실험마다 제어 파이프라인을 재구축하지 않고 이를 신뢰할 수 있는 실시간 구성 요소로 전환하는 것입니다. PACMAN은 그 누락된 계층을 해결합니다.

왜 핵융합에 실시간 AI 제어가 필요한가

토카막은 자기장을 이용해 전하를 띤 플라즈마를 가둡니다. 유용한 상태를 유지하려면 가열 시스템, 자기 코일, 가스 주입 및 기타 장비를 지속적으로 조정해야 합니다. 작은 교란이 불안정성으로 성장하면 성능이 저하되거나 플라즈마 방전이 완전히 종료될 수 있습니다.

전통적인 컨트롤러는 엔지니어가 원하는 반응을 사전에 기술할 수 있을 때 효과적입니다. 그러나 고급 플라즈마 영역은 비선형 상호작용, 불완전한 측정 및 계산이 충분히 이루어지기에는 너무 빠르게 변하는 조건을 포함합니다. 머신러닝은 이러한 행동을 근사화하고 가용 시간 내에 답을 제공할 수 있습니다.

이 접근법의 보다 넓은 중요성은 이미 눈에 보이고 있습니다. 이전 연구에서는 AI가 기존 시스템이 반응하기 전에 핵융합 불안정성을 예측하고 방지할 수 있음이 밝혀졌습니다. PACMAN은 개별 예측 및 제어 시연을 여러 모델, 컨트롤러 및 목표를 지원할 수 있는 아키텍처로 확장합니다.

동반되는 PPPL 발표에 따르면, 전체 프레임워크는 일반적으로 약 20밀리초 내에 실행됩니다. 한 실험에서는 머신러닝 모델이 약 200밀리초 전에 티어링 모드 불안정성을 예측했습니다. 이 간격은 짧아 보일 수 있지만, 자동화된 컨트롤러가 가열을 재조정하고 플라즈마 조건을 변경할 충분한 시간을 제공하여 불안정성이 형성되기 전에 대응할 수 있게 합니다.

PACMAN 핵융합 프레임워크 작동 방식

PACMAN은 실시간 제어를 네 개의 연속 블록으로 구성합니다. 입력 블록은 진단 측정을 수집하고 그 유효성을 검사합니다. 모델 블록은 머신러닝, 전통적인 모델 또는 물리 기반 모델이 해당 입력을 해석하도록 허용합니다. 컨트롤러 블록은 예측을 원하는 행동으로 변환합니다. 마지막으로 출력 블록은 경쟁하는 요청을 해결하고 하드웨어 제약을 적용한 뒤 승인된 명령을 토카막에 전달합니다.

따라서 시스템은 지능과 권한을 분리할 수 있습니다. AI 모델이 행동을 제안할 수 있지만, 그 출력이 주변 제어 아키텍처를 우회하지는 않습니다. 명령은 여전히 액추에이터 한계와 비교 검토되며, 연구원들은 각 실험의 목표와 구성을 정의합니다.

프레임워크에는 여러 실용적인 안전 장치가 포함됩니다:

• 입력 검증은 누락되거나 잘못된 진단 데이터를 식별합니다.
• 저역통과 필터링은 개별적인 부정확한 측정에 대한 반응을 방지할 수 있습니다.
• 충돌 처리 기능은 경쟁하는 액추에이터 요청 사이를 중재합니다.
• 출력 제한은 명령이 하드웨어 제약을 초과하는 것을 방지합니다.

이 설계는 안전이 중요한 AI에 대한 유용한 교훈을 제공합니다: 신뢰성은 완벽한 모델에 의존할 필요가 없습니다. 주변 시스템은 모델이 나쁜 데이터를 만나거나 부적절한 출력을 생성할 수 있다고 가정하고, 물리 장비에 대한 영향을 제한할 수 있습니다.

다섯 가지 실험이 프레임워크의 유연성을 보여줍니다

연구원들은 DIII-D에서 PACMAN을 다섯 가지 실험적 적용에 사용했습니다. 이는 동일한 신경망의 다섯 가지 변형이 아니라, 강화 학습, 서바이벌 모델, 리저버 컴퓨팅 및 모델 예측 제어를 포함하며, 각각 다른 진단 및 액추에이터와 결합되었습니다.

강화 학습 컨트롤러는 플라즈마 압력과 내부 수송 장벽을 목표로 가열 입력을 관리했습니다. 티어링 모드 컨트롤러는 불안정성이 나타나기 전에 전자 사이클otron 가열을 재조정했습니다. 또 다른 모델은 액추에이터를 직접 제어하지 않고도 급격한 가장자리 국부 이벤트를 예측했으며, 이는 PACMAN이 외부 컨트롤러도 제공할 수 있음을 보여줍니다.

알벤 고유모드 응용 프로그램은 고에너지 입자와 관련된 파동을 분류하고 그에 따라 중성 빔 전력을 조정했습니다. 가장 계산적으로 요구가 큰 예시는 플라즈마 프로파일을 더 단순한 잠재 표현으로 압축하고 모델 예측 제어를 사용해 밀도와 회전을 연구자가 정의한 목표에 맞게 조정했습니다.

이러한 실험들을 종합하면 공유 프레임워크가 왜 가치 있는지 알 수 있습니다. 각 목표는 서로 다른 데이터, 타이밍 및 하드웨어를 필요로 하지만, 모든 팀이 진단 처리, 안전 검사 및 액추에이터 통합을 다시 만들 필요는 없습니다.

실제 돌파구는 더 빠른 핵융합 개발에 있다

PACMAN은 핵융합 발전이 직면한 과학적·경제적 장벽을 해결하지 못합니다. DIII-D는 연구 시설이며 상업용 발전기가 아니며, 실험은 순전력을 입증하지 않았습니다. 또한 프레임워크는 밀리초 수준의 창보다 빠르게 진화하는 현상을 제어할 수 없습니다. 현재 구현은 모델을 순차적으로 실행하지만, 아키텍처는 향후 병렬 실행을 지원할 수 있습니다.

그 단기 가치는 오히려 개발 속도에 있습니다. PPPL은 프레임워크를 구축하고 첫 번째 모델을 설치하는 데 수개월이 걸렸지만, 두 번째 모델을 추가하는 데는 며칠만 필요했다고 보고했습니다. 공유 인프라가 반복적인 통합 문제를 처리하면 연구원들은 플라즈마 모델 개선에 더 많은 시간을 할애하고, 주변 파이프라인 재구축에 드는 시간을 줄일 수 있습니다.

이는 복합적인 효과를 만들 수 있습니다. 더 빠른 배포는 더 많은 실험 데이터, 더 나은 모델 및 점점 더 야심찬 운영 체제를 생성합니다. 그 결과 시뮬레이션, 머신러닝 및 물리 실험 사이의 학습 루프가 더욱 촘촘해집니다.

그 루프는 AI와 핵융합 에너지 사이의 증가하는 연결을 설명하는 데 도움이 됩니다. AI는 데이터 센터를 통해 전력 수요를 증가시킬 수 있지만, 새로운 에너지 시스템을 개발하는 엔지니어링 도구로도 자리 잡고 있습니다. 핵융합에서 AI의 가치는 실험 후 재료를 발견하거나 결과를 분석하는 데만 국한되지 않으며, 기계를 직접 제어하는 데에도 참여할 수 있습니다.

실험 소프트웨어에서 원자로 인프라로

다음 단계는 PACMAN의 설계 원칙이 다른 장치에 적용될 수 있는지를 판단하는 것입니다. 토카막은 기하학, 진단, 액추에이터 및 제어 시스템이 다릅니다. 재사용 가능한 개념적 아키텍처가 모든 시설에서 소프트웨어를 자동으로 이식 가능하게 하지는 않습니다.

그럼에도 불구하고, 프레임워크는 미래 원자로에서 중요할 가능성이 있는 요소들을 식별합니다: 표준화된 입력, 교환 가능한 모델, 명시적인 컨트롤러 경계, 액추에이터 중재 및 AI 모델 외부의 안전 강제. 상업용 시스템은 또한 장비 고장 시 중복성, 사이버 보안 및 예측 가능한 응답을 필요로 할 것입니다.

연구원들은 멀티스레딩을 도입하고 더 빠른 추론을 위해 GPU 또는 FPGA를 탐색할 계획입니다. 중요한 지표는 단순히 모델 속도만이 아닙니다. 데이터 수집, 검증, 의사결정 및 구동을 포함한 엔드투엔드 지연 시간이 컨트롤러가 적시에 개입할 수 있는지를 결정합니다.

Alphabet을 통한 AI 기반 핵융합 투자

AI와 핵융합 연구의 융합에 대한 공개 시장 노출을 원하는 투자자에게 Alphabet Inc (GOOG ) 는 관련하지만 간접적인 옵션을 제공합니다. Google은 10년 이상 사설 핵융합 개발업체 TAE Technologies와 협력하여 머신러닝을 플라즈마 재구성, 최적화 및 원자로 설계에 적용해 왔습니다. Google은 또한 TAE의 2025년 자금 조달 라운드에 참여했습니다.

Google의 기여는 자본을 넘어섭니다. 연구원들은 핵융합 엔지니어와 협력해 플라즈마 행동을 해석하고 기계 복잡성을 줄였습니다. 2025년에 Google은 공동 플라즈마 재구성 작업이 TAE가 핵융합 기계를 단순화하고 재구축하는 데 도움이 되었다고 밝혔습니다. Alphabet은 또한 계획된 시설이 상업 운영에 도달하면 Commonwealth Fusion Systems로부터 전력을 구매하기로 합의했습니다.

이것이 Alphabet을 순수 핵융합 기업으로 만든 것은 아닙니다. 현재 핵융합은 광고, 클라우드 컴퓨팅 및 디지털 서비스가 주도하는 회사에서 작고 투기적인 부분을 차지합니다. TAE는 또한 DIII-D에서 사용되는 토카막 아키텍처 대신 필드-리버스드 구성을 사용합니다. 그럼에도 불구하고 Google의 TAE Technologies와의 AI 협업은 향후 전력 고객이 되기를 기다리기보다 이 분야에 기술 역량을 제공하고 있음을 보여줍니다.

AI가 핵융합 기계의 일부가 되고 있다

PACMAN은 하나의 AI 모델이 불안정성을 예측할 수 있는지를 넘어 논의를 확장합니다. 보다 중요한 질문은 다수의 예측 및 제어 시스템이 함께 작동하고, 하드웨어와 상호작용하며, 시행 가능한 안전 규칙에 의해 제한될 수 있는가입니다.

DIII-D 실험은 이 통합 문제가 해결 가능함을 시사합니다. PACMAN은 다섯 가지 별도 응용 프로그램을 수용하고, 밀리초 수준의 시간에 결정을 내리며, 전체 제어 시스템을 재설계하지 않고 새로운 모델을 추가할 수 있는 경로를 제공했습니다. 이는 여전히 실험 인프라이지만, 인프라가 바로 고립된 돌파구를 반복 가능한 진전으로 전환시키는 핵심입니다.

상업용 핵융합은 여전히 플라즈마 성능, 재료, 연료 사이클, 유지보수 및 플랜트 경제성에서의 발전이 필요합니다. 실시간 AI 제어가 이러한 성과를 대체하지는 않겠지만, 원자로 내부에서 이들이 함께 작동하도록 하는 계층이 될 수 있습니다.

참고문헌:

^{1 Rothstein, A., Farre-Kaga, H. J., Butt, J., Shousha, R., Erickson, K., Wakatsuki, T., Steiner, P., Kim, S. K., Jalalvand, A., & Kolemen, E. (2026). DIII-D에서 통합 AI 제어를 가능하게 함: 최첨단 실험을 포함한 제어 시스템 설계. Nuclear Fusion, 66(7), 076050. https://doi.org/10.1088/1741-4326/ae7f9d}